Evaluasi Model Regresi - Platform For AI

Evaluasi Model Regresi adalah proses kuantifikasi performa model dengan membandingkan hasil prediksi terhadap hasil aktual menggunakan metrik seperti Mean Squared Error, kesalahan absolut rata-rata, dan R-squared. Selama evaluasi, alat visual seperti histogram residu sering digunakan untuk menganalisis distribusi kesalahan prediksi, membantu mengidentifikasi area potensial untuk perbaikan model. Proses ini memastikan bahwa model memiliki kemampuan prediksi dan stabilitas yang baik.

Konfigurasikan komponen

Metode 1: Konfigurasikan komponen pada halaman pipeline

Tambahkan komponen Regression Model Evaluation pada halaman pipeline dan konfigurasikan parameter berikut:

Kategori	Parameter	Deskripsi
Fields Setting	Original Regression Value	Nilai observasi aktual dari variabel target dalam dataset, digunakan untuk mengevaluasi performa prediksi model regresi dan bertindak sebagai dasar perbandingan.
Fields Setting	Predicted Regression Value	Estimasi nilai variabel target yang diperoleh melalui model regresi. Nilai prediksi dihasilkan oleh model berdasarkan fitur input.
Tuning	Worker number	Untuk informasi tentang cara mengonfigurasi jumlah pekerja dan memori mereka, lihat Lampiran: Cara memperkirakan penggunaan sumber daya.
Tuning	Memory Size per Node

Metode 2: Gunakan perintah PAI

Konfigurasikan parameter komponen menggunakan perintah PAI. Anda dapat menggunakan komponen SQL Script untuk memanggil perintah PAI. Untuk informasi lebih lanjut, lihat SQL Script.

PAI -name regression_evaluation -project algo_public
    -DinputTableName=input_table
    -DyColName=y_col
    -DpredictionColName=prediction_col
    -DindexOutputTableName=index_output_table
    -DresidualOutputTableName=residual_output_table;

Parameter	Diperlukan	Nilai default	Deskripsi
inputTableName	Ya	Tidak ada	Nama tabel input.
inputTablePartitions	Tidak	Tabel penuh	Partisi yang dipilih dari tabel input untuk perhitungan.
yColName	Ya	Tidak ada	Nama kolom yang berisi variabel dependen asli dalam tabel input. Kolom tipe data numerik didukung.
predictionColName	Ya	Tidak ada	Nama kolom yang berisi variabel dependen dalam hasil prediksi. Kolom tipe data numerik didukung.
indexOutputTableName	Ya	Tidak ada	Nama tabel output metrik regresi.
residualOutputTableName	Ya	Tidak ada	Nama tabel output histogram residu.
intervalNum	Tidak	100	Jumlah interval histogram.
lifecycle	Tidak	Tidak ada	Lifecycle tabel output. Nilai parameter ini harus bilangan bulat positif.
coreNum	Tidak	Ditentukan oleh sistem	Jumlah core. Nilai valid: 1 hingga 9999.
memSizePerCore	Tidak	Ditentukan oleh sistem	Ukuran memori setiap core. Nilai valid: 1024 hingga 64 × 1024. Unit: MB.

Output

Tabel output metrik regresi dihasilkan dalam format JSON dan mencakup parameter berikut.

Parameter	Deskripsi
SST	Jumlah total kuadrat.
SSE	Jumlah kuadrat kesalahan.
SSR	Jumlah kuadrat karena regresi.
R2	Koefisien determinasi.
R	Koefisien korelasi berganda.
MSE	Error kuadrat rata-rata.
RMSE	Akar dari error kuadrat rata-rata.
MAE	Kesalahan absolut rata-rata.
MAD	Deviasi absolut rata-rata.
MAPE	Kesalahan persentase absolut rata-rata.
count	Jumlah baris.
yMean	Rata-rata variabel dependen asli.
predictionMean	Rata-rata hasil prediksi.